剛剛講的不同數字格式，文字和圖像，如果在深層實際上它們的區別已經消失了。那這樣我們就可以對圖像去問文字的問題，甚至對文字去問圖像的問題。這樣數據的形式也就不重要了。

　　如果我們達到了遷移學習的要點，我們想問下一步是不是可以把所有人類經歷過的這些學習任務給沿著時間軸串起來，能夠讓機器像人一樣，學習能力和智能隨時間在不斷增長。那么它所需要學習的努力程度，樣本數也是逐漸減少的。這也是我們在努力的一個方向。

　　最近發表的一篇文章也說明了遷移學習的重要性。這篇文章叫做 bayesian program learning（單個例學習），這是從一個例子就能學會，我們知道深度學習是有千萬個例子的。實際上它用了我們過去沒有涉及到的概念，就叫做結構，如果我們了解了一個問題的結構，那么這個結構的一個具體形式只用一個例子就可以學會了。其他的部分，需要很多例子的那一部分可能是參數、統計，這一部分我們實際上可以通過遷移學習來學習。也就是說這個圓就圓滿了，就是一個閉環了。

　　同時，人工智能的應用也不僅僅是在圖像方面。這里的一個例子是亞馬遜的倉儲機器人。亞馬遜的倉儲機器人是在一個很大的空間［運行］，這些機器人會移動這些貨架，每個貨架上面都有不同的貨品，把這些貨架送到工人的面前，讓工人從貨架上面拿所需的貨品到箱子里面，然后快遞給客戶。為什么是這樣呢？因為現在的機器人技術在選擇，也就是從貨架上選擇物體還遠遠達不到人的熟練程度，但是它在路徑規劃、機械的啟動、抬起、放下已經超過人了。所以，亞馬遜就很聰明地把機器的優點和人的優點結合在一起，變成一個新的商業模式。如果過去建一個倉儲支持這個城市所有的物流需要三個月時間，亞馬遜把所有的傳送帶拆掉，變成機器人以后只用三天時間，這個收益是非常巨大的，也是我們可以借鑒，可以拓展的一個經驗。

　　下面要講的，不僅在機器人，在圖像識別，在我們的生活當中，人工智能已經十分深入了。這里舉的一個例子是我和我的學生戴文淵建的一個公司——第四范式，這個公司可以讓過去在金融領域只能由人來服務的重要客戶，改為由人工智能來做，把這個能力拓展到幾千萬人身上，讓每個人都能享受到優質的金融服務。這是一個非常大的工程，它背后的技術就是機器學習，我們所熟知的深度學習、知識學習、強化學習。

　　最后我要說幾點，看到這么多人工智能的努力，有失敗的時候，有成功的時候，我們到現在能總結出什么經驗呢？我覺得現在的人工智能的成功離不開高質量的大數據，但是并不是未來人工智能的成功一定需要大數據。那么我們下面要問是不是在未來有小數據也可以讓人工智能成功——工業上大家還在開疆拓土，利用大數據的優勢在發現新的應用——我覺得在大學里面這是應該做的一個研究。

　　第二個，就是要培養出更多的人工智能人才。這些人才才可以來設計算法，這個也是我們今天在大學里面需要努力的一個方向。當然這些都離不開計算能力。

　　所以從這幾點上來看，人工智能的努力也不是像有些人說的“今天的人工智能的發展完全在工業”，人工智能的發展應該一部分依靠大學，一部分依靠工業。就像我們所說的，大數據和人才的培養以及小數據的研究。大數據開疆拓土、更多的應用和更多的計算能力確實來自于工業。人才培養、小數據研究則依靠學界。這兩者結合是我們今后發展的一個方向。

　　最后我要說一點，我們應該說已經了解很多深度學習了，這個可以作為我們昨天的一個成就。那么今天我們在剛剛開始去獲得強化學習的一個紅利，這個可能還不是在很多的領域得到應用，但是我要告訴大家，強化學習比大家想象的要更有用，它不僅僅是在圍棋或者是在計算機游戲上有用。在金融、在我們日常生活當中，甚至在教育上，機器人的規劃都離不開強化學習。

　　那么這些應該說都是富人的游戲，也就是說只有富人才能有這么多的大數據，有這么多的計算量去支持深度學習和強化學習這樣的實際應用。那么我們明天要看到的應該是遷移學習，因為遷移學習能夠讓我們把大數據得到的模型遷移到小數據上面，使得千千萬萬的人都能夠受益，人人都能享受人工智能帶來的紅利。